基于機載激光雷達和高光譜數據的樹(shù)種識別方法
[1] 陶江玥,劉麗娟,龐勇,李登秋,馮云云,王雪,丁友麗,彭瓊,肖文惠.基于機載激光雷達和高光譜數據的樹(shù)種識別方法[J].浙江農林大學(xué)學(xué)報,2018,35(02):314-323.
? 摘要：
訓練樣本的選取是影響監督分類(lèi)精度的直接原因之一,數據空間分辨率越高,訓練樣本要求越準確,而人機交互訓練樣本選取推廣力有限。利用機載高光譜(AISA)和激光雷達(LiDAR)主被動(dòng)遙感數據,探討基于高分辨率影像的訓練樣本自動(dòng)提取技術(shù)以及適合樹(shù)種識別的遙感變量。根據樹(shù)木的結構和高度差異,開(kāi)展樹(shù)高分層掩膜試驗,并計算光譜間夾角,在每個(gè)高度層中自動(dòng)化優(yōu)選樹(shù)種的高純度訓練樣本。計算植被指數、主成分分析等特征變量,基于支持向量機分類(lèi)器對研究區進(jìn)行樹(shù)種精細分類(lèi)。實(shí)驗表明:通過(guò)對闊葉林、馬尾松Pinus massoniana,毛竹Phyllostachys edulis,杉木Cunninghamia lanceolata,油茶Camellia oleifera的訓練樣本分層自動(dòng)提取后再進(jìn)行分類(lèi),激光雷達和不敏感色素指數變量能有效提高樹(shù)種分類(lèi)精度。其中高光譜+激光雷達+結構不敏感色素指數變量組合的分類(lèi)精度高,其總體精度和Kappa系數分別為89.12%和0.86,闊葉林、馬尾松、毛竹、杉木、油茶的用戶(hù)精度分別為75.00%,100.00%,86.36%,90.91%和96.55%。該方法對本研究區森林樹(shù)種的識別是有效的。
? 結論與討論
高光譜是光學(xué)被動(dòng)遙感數據，其窄波段特性在較小的空間尺度上能區分地表細微變化，在樹(shù)種識別方面有顯著(zhù)優(yōu)勢。但由于 “同物 異譜、 異 物 同 譜" 現 象 的 存在， 導致分類(lèi)精度受限。 機載 LiDAR 是主動(dòng)遙感數據，可獲得樹(shù)種垂直結構及強度信息， 與高光譜優(yōu)勢互補，有效解決不同高度下不同地物因具有相似光譜特征而導致的混分問(wèn)題。 采用分層訓練樣本自動(dòng)提取技術(shù)， 不僅提高了訓練樣本選取的速度還有效提高訓練樣本選取精度， 更從一定程度上盡可能地避免混分現象。本研究結合 高光譜與機 載 LiDAR 的數據優(yōu) 勢， 為評估 LiDAR 垂直結構信息與特征變量參與分類(lèi)的貢獻，比較了基于 AISA， CHM， SIPI 和 PCA1 這 4 種不同變量組合的分類(lèi)精度。 其中 AISA+CHM+SIPI 變量組合的分類(lèi)精度高， 其總體精度 和 Kappa 系數分 別為 89.12%和 0.86， 比僅 AISA 分類(lèi)的總體精度高 23.81%， 比 AISA+CHM 高 12.25%， 比 AISA+SIPI 高 11.57%。 但結果同時(shí)表明， PCA 降維變量的分類(lèi)貢獻要明顯弱于 SIPI。 本研究區為典型的亞熱帶森林， 其中闊葉林內樹(shù)種種類(lèi)繁多， 與其他類(lèi)型的樹(shù)種混雜生長(cháng)， 所以純林區較少， 易產(chǎn)生混合像元。 在 AISA+CHM+SIPI 的分類(lèi)結果中闊葉樹(shù)種的制圖精度和用戶(hù)精度高， 分別為 87.10%和 75.00%， 優(yōu)于 AISA+CHM（70.97%， 66.67%）以及僅 AISA 的分類(lèi)結果（41.94%， 61.90%）。 這說(shuō)明將機載 LiDAR 數據 CHM 與高光譜 AISA 融合， 并添加植被指數 SIPI 能有效區分混合像元并提高分類(lèi)精度， 對古田山國家自然保護區進(jìn)行樹(shù)種類(lèi)型的精細分類(lèi)具有可行性。 但由于陰影區域的存在、 樹(shù)冠間相互遮擋、 少部分邊緣像元的光譜混合等， 對樹(shù)種分類(lèi)的精度有一定影響。 后續擬研究基于高空間分辨率數據的像元解混技術(shù)， 希望能有效提高復雜林區的樹(shù)種識別精度。
? 相關(guān)產(chǎn)品
ATP9000/9020/9010-無(wú)人 ATP9100-25 可見(jiàn)近紅外 ATP9100 便攜式地物光譜儀
機載超輕型高光譜成像儀 全波段便攜式地物波譜儀
